CN107578104B - 一种中药生产过程知识系统 - Google Patents

一种中药生产过程知识系统 Download PDF

Info

Publication number
CN107578104B
CN107578104B CN201710770922.4A CN201710770922A CN107578104B CN 107578104 B CN107578104 B CN 107578104B CN 201710770922 A CN201710770922 A CN 201710770922A CN 107578104 B CN107578104 B CN 107578104B
Authority
CN
China
Prior art keywords
parameter
data
unit
result
sample
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710770922.4A
Other languages
English (en)
Other versions
CN107578104A (zh
Inventor
萧伟
刘雪松
凌娅
陈勇
王振中
姜晓红
毕宇安
李页瑞
包乐伟
章晨峰
王磊
陈永杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Kanion Pharmaceutical Co Ltd
Zhejiang University ZJU
Original Assignee
Jiangsu Kanion Pharmaceutical Co Ltd
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu Kanion Pharmaceutical Co Ltd, Zhejiang University ZJU filed Critical Jiangsu Kanion Pharmaceutical Co Ltd
Priority to CN201710770922.4A priority Critical patent/CN107578104B/zh
Publication of CN107578104A publication Critical patent/CN107578104A/zh
Priority to EP18851869.0A priority patent/EP3678065A4/en
Priority to PCT/CN2018/099310 priority patent/WO2019042099A1/zh
Priority to KR1020207007189A priority patent/KR102361343B1/ko
Priority to US16/643,084 priority patent/US20200350058A1/en
Priority to JP2020533333A priority patent/JP6979527B2/ja
Application granted granted Critical
Publication of CN107578104B publication Critical patent/CN107578104B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/14—Quality control systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/90—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to alternative medicines, e.g. homeopathy or oriental medicines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Manufacturing & Machinery (AREA)
  • Public Health (AREA)

Abstract

本发明公开了一种中药生产过程知识系统，该系统包括：数据库模块，包括生产数据采集单元和存储单元，所述生产数据采集单元用于采集生产中的过程参数数据，所述过程参数包括质量数据和工艺数据，所述存储单元用于存储采集到的所述过程参数数据；能力评价模块，用于根据所述质量数据，对系统过程能力进行评价，得到过程能力评价结果；监控反馈模块，用于响应于过程能力评价结果足够，则进入全程监控模式；设计空间寻找模块，用于响应于过程能力评价结果不足，则根据所述工艺数据，进入设计空间寻找模式。本发明首先通过过程能力评价决定放行参数或者寻找设计空间，使生产过程知识系统逐步回归为实现中药生产过程智能调节并智能反馈的过程知识系统。

Description

一种中药生产过程知识系统
技术领域
本发明涉及过程知识系统领域，特别涉及一种中药生产过程知识系统。
背景技术
在过程知识系统(Process Knowledge System，简称PKS)的生产控制下，与传统的生产线技术相比，改进之处主要体现在以下几个方面：1)新的工作流是一个整体性的系统，以往的旧的生产线上，每一个工作站点都是相对独立的，每个站点各自工作，相关性不强，集中程度不高；而新的生产流程是一个整体性的系统，每个步骤都互相关联、相互影响，从整体上实现了对生产流程的优化。2)PKS生产流程更加信息化、自动化，在以往的旧的生产线中，每个独立的环节都需要配备专门的工作人员监控、需要专职人员记录信息等等，工作效率与人的状态密切相关，且容易发生由于人为的疏忽而导致的错误；而新的工作流是完全的自动化和智能化，所有的流程都由信息化的系统操控，数据的采集、存储、提取都是信息化的，参数的设置是自动化的，质量的检测是智能化的，这在很大程度上提高了效率，减少了由于人为疏忽而造成的错误。3)PKS技术可以实时地反馈和调整生产控制参数，进而更稳定的控制产品的质量。
但是，目前的PKS系统功能简单，在知识挖掘方面，仍有很多不足，使其离智能化生产管理水平仍有较大距离，对工艺参数的控制精准度也亟需提高。
发明内容
为了解决现有技术的问题，本发明提供了一种中药生产过程知识系统，所述技术方案如下：
一方面，本发明提供了一种中药生产过程控制方法，包括：
采集生产中的过程参数数据，所述过程参数包括质量数据和工艺数据；
根据所述质量数据，对系统过程能力进行评价，得到过程能力评价结果；
若所述过程能力评价结果足够，则进入全程监控模式；
若所述过程能力评价结果不足，则根据所述工艺数据，进入设计空间寻找模式。
进一步地，所述进入设计空间寻找模式包括：
获取工艺数据，所述工艺数据包括上一工段的中间体的质量参数；
根据工段生产情况，选择关键质量属性的类型；
筛选与所述关键质量属性相关的工艺数据，作为关键过程参数；
建立所述关键过程参数与关键质量属性之间的关系模型；
根据所述关系模型，获取设计空间，所述设计空间为对应于所述关键质量属性的特定区间范围。
进一步地，所述进入设计空间寻找模式之后还包括：
根据获取的设计空间对参数进行放行；
对系统过程能力进行再评价，得到过程能力再评价结果；
若所述过程能力再评价结果足够，则进入全程监控模式；
若所述过程能力再评价结果不足，则挖掘设计空间潜在参数。
进一步地，所述挖掘设计空间潜在参数包括：
接收设计空间潜在参数挖掘请求，所述请求包括设计空间对应的工段条件信息；
根据所述工段条件信息，获取与工段对应的关键质量属性及拟定潜在参数集合；
用于对拟定的潜在参数进行测试，得到待验证潜在参数；
对待验证潜在参数进行验证，得到设计空间潜在参数。
进一步地，所述对系统过程能力进行评价，得到过程能力评价结果包括：
采集质量数据得到质量样本，所述质量数据为制造过程中的中间体性能参数；
根据所述质量样本，得到过程平均值和过程标准差；
对所述质量样本进行数据筛查，得到质量控制标准样本；
根据所述质量控制标准样本，得到质量控制标准上限和/或下限；
根据所述质量控制标准上限和下限，得到标准中间值和过程分散值，其中，
根据标准中间值、过程分散值、过程平均值及过程标准差，通过以下计算公式得到所述质量评价值：
其中，过程平均值为质量样本中的质量数据的平均值，过程标准差为所述质量数据的标准差；
根据所述质量评价结果，得到过程能力评价结果。
进一步地，所述进入全程监控模式包括对多维参数进行识别，包括：
采集多个训练样本，组成训练样本集，每个训练样本包括多种过程参数，每种过程参数具有相应的属性参数和类别，其中，所述属性参数和类别的组合有多种；
根据所述训练样本集中的类别，获取所述训练样本集的分布传递信息值；
根据所述分布传递信息值，获取每种过程参数的信息增益；
选择信息增益最大的过程参数作为分裂节点，建立决策树；
根据决策树，对新数据进行类别识别。
进一步地，所述进入全程监控模式包括基于过程参数进行结果反馈，包括：
接收结果反馈请求，所述反馈请求包括中间体结果类型；
获取与所述反馈请求对应的过程参数，所述过程参数为多维参数，组成过程参数集；
将所述过程参数集输入结果反馈神经网络模型，所述结果反馈神经网络模型由过程参数样本训练得到；
获取所述结果反馈神经网络模型的输出结果。
进一步地，所述结果反馈神经网络模型由过程参数样本训练包括：
获取待训练的过程参数样本数据，所述过程参数样本包括多个过程参数集及对应的已知目标值；
建立初始网络模型，所述初始网络模型包括输入层、隐藏层、输出层、初始权重和初始偏置；
利用后向传播法，对所述初始权重和初始偏置进行更新，直至实现权重收敛，得到结果反馈神经网络模型。
另一方面，本发明提供了一种中药生产过程知识系统，包括以下模块：
数据库模块，包括生产数据采集单元和存储单元，所述生产数据采集单元用于采集生产中的过程参数数据，所述过程参数包括质量数据和工艺数据，所述存储单元用于存储采集到的所述过程参数数据；
能力评价模块，用于根据所述质量数据，对系统过程能力进行评价，得到过程能力评价结果；
监控反馈模块，用于响应于所述过程能力评价结果足够，则进入全程监控模式；
设计空间寻找模块，用于响应于所述过程能力评价结果不足，则根据所述工艺数据，进入设计空间寻找模式。
进一步地，所述设计空间寻找模块包括：
工艺数据单元，用于获取工艺数据，所述工艺数据包括上一工段的中间体的质量参数；
CQA单元，用于根据工段生产情况，选择关键质量属性的类型；
CPP单元，用于筛选与所述关键质量属性相关的工艺数据，作为关键过程参数；
设计空间模型单元，用于建立所述关键过程参数与关键质量属性之间的关系模型；
空间单元，用于根据所述关系模型，获取设计空间，所述设计空间为对应于所述关键质量属性的特定区间范围。
进一步地，本发明提供的中药生产过程知识系统还包括挖掘模块，包括：
挖掘请求单元，用于接收设计空间潜在参数挖掘请求，所述请求包括设计空间对应的工段条件信息；
拟定单元，用于根据所述工段条件信息，获取与工段对应的关键质量属性及拟定潜在参数集合；
挖掘执行单元，用于对拟定的潜在参数进行测试，得到待验证潜在参数；
验证单元，用于对待验证潜在参数进行验证，得到设计空间潜在参数。
进一步地，所述能力评价模块包括：
数据获取单元，用于获取质量数据得到质量样本，所述质量数据为制造过程中的中间体性能参数；
过程处理单元，用于根据所述质量样本，得到过程平均值和过程标准差；
筛查单元，用于对所述质量样本进行数据筛查，得到质量控制标准样本；
标准区间单元，用于根据所述质量控制标准样本，得到质量控制标准上限和/或下限；
评价值单元，用于根据所述质量控制标准上限和下限，得到标准中间值和过程分散值，其中，
并用于根据标准中间值、过程分散值、过程平均值及过程标准差，通过以下计算公式得到所述质量评价值：
其中，过程平均值为质量样本中的质量数据的平均值，过程标准差为所述质量数据的标准差；
映射单元，用于根据所述质量评价结果，得到过程能力评价结果。
进一步地，所述监控反馈模块用于对多维参数进行识别，所述监控反馈模块包括：
训练样本采集单元，用于采集多个训练样本，组成训练样本集，每个训练样本包括多种过程参数，每种过程参数具有相应的属性参数和类别，其中，所述属性参数和类别的组合有多种；
分布传递单元，用于根据所述训练样本集中的类别，获取所述训练样本集的分布传递信息值；
增益单元，用于根据所述分布传递信息值，获取每种过程参数的信息增益；
决策树单元，用于选择信息增益最大的过程参数作为分裂节点，建立决策树；
数据识别单元，用于根据决策树，对新数据进行类别识别。
进一步地，所述监控反馈模块基于过程参数进行结果反馈，所述监控反馈模块包括：
结果反馈请求单元，用于接收结果反馈请求，所述反馈请求包括中间体结果类型；
参数单元，用于获取与所述反馈请求对应的过程参数，所述过程参数为多维参数，组成过程参数集；
结果反馈神经网络模型输入单元，用于将所述过程参数集输入结果反馈神经网络模型，所述结果反馈神经网络模型由过程参数样本训练得到；
结果反馈神经网络模型输出单元，用于获取所述结果反馈神经网络模型的输出结果。
进一步地，所述监控反馈模块还包括结果反馈神经网络模型训练单元，包括：
训练样本获取单元，用于获取待训练的过程参数样本数据，所述过程参数样本包括多个过程参数集及对应的已知目标值；
初始模型单元，用于建立初始网络模型，所述初始网络模型包括输入层、隐藏层、输出层、初始权重和初始偏置；
权重更新单元，用于利用后向传播法，对所述初始权重和初始偏置进行更新，直至实现权重收敛，得到结果反馈神经网络模型。
本发明提供的技术方案带来的有益效果如下：
1)将制造过程能力数字化和等级化，一目了然，为过程控制提供指导依据；
2)通过RSD分析和相关性分析，筛选出与关键质量属性相关的关键过程参数，为模型的建立提供可靠的参数素材；通过逐步回归方法建立关键过程参数与关键质量属性之间的关系模型，避免多重共线性的影响，模型可靠性高；
3)对潜在参数进行单因素测试，得到多个过程参数，为潜在参数挖掘提供了基础；对潜在参数进行正交测试，通过方差分析，筛选出与关键质量属性相关的待验证潜在参数，为设计空间的重新构造提供可靠的参数素材；
4)用信息增益作为决策树分裂节点的选择标准，提高的决策树的精准度，建立决策树模型，实现对多维数据的精准分类；
5)利用后向传播法，对神经网络模型的权重和偏置进行更新，不断提高模型的分类准确度，利用结果反馈神经网络模型对PKS制造过程中的输入参数进行分类，看反应物是否合格，实现智能反馈。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的中药生产过程控制方法流程图；
图2是本发明实施例提供的生产控制全程方法简易视图；
图3是本发明实施例提供的生产控制全程方法流程图；
图4是本发明实施例提供的结果反馈神经网络模型的训练方法流程图；
图5是本发明实施例提供的设计空间寻找方法流程图；
图6是本发明实施例提供的设计空间潜在参数挖掘方法流程图；
图7是本发明实施例提供的系统过程能力评价方法流程图；
图8是本发明实施例提供的中药生产过程知识系统的模块框图。
图9是本发明实施例提供的决策树的结构示意图；
图10是本发明实施例提供的多层前馈神经拓扑结构示意图；
图11是本发明实施例提供的单个神经网络单元的输入输出结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
在本发明的一个实施例中，提供了一种中药生产过程控制方法，参见图1，所述方法包括以下流程：
S1、采集生产中的过程参数数据，所述过程参数包括质量数据和工艺数据。
具体地，所述质量数据用于作为系统过程能力评价的数据基础，所述工艺数据用作辅助寻找设计空间的数据基础，参见图2。
其中，所述质量数据为制造过程中的中间体性能参数，类型包括中间体的指标成分的含量、转移率、纯度等等。
S2、根据所述质量数据，对系统过程能力进行评价，得到过程能力评价结果，若所述过程能力评价结果足够，则执行S3，否则执行S4。
具体地，对质量数据样本进行处理，可以得到质量评价结果，具体的处理方法在下述实施例5中详述。
S3、进入全程监控模式。
过程能力评价结果表明工段的生产能力达到生产的要求，说明当前工段过程参数条件下，中间体的质量稳定性和批间一致性较高，工段生产能力良好，因此可以选择当前过程参数正太分布的2σ或者3σ作为过程参数放行的标准，使用MSPC方法建立控制图多生产的全程和终点进行监控，嵌入PKS的实时趋势显示模块，即可实现生产全程的实时监控和在线预警。
PKS平台每隔固定周期自动收集周期内批次数据自动进行过程能力评价，可以不断了解各工段的生产过程能力变化和不断更新各工段参数放行的范围，并且在实时趋势显示模块更新放行范围，可实现全程监控和在线预警。
S4、根据所述工艺数据，进入设计空间寻找模式。
过程能力不足，说明当前的生产参数无法满足产品生产的要求，需要对当前参数作出调整，即为寻找设计空间，以实现对当前能力不够的生产系统寻找优化放行条件。
实施例2
在本发明的一个实施例中，提供了一种中药生产过程的完整的生产控制方法，参见图2和图3，所述方法包括以下流程：
S21、采集生产中的过程参数数据，所述过程参数包括质量数据和工艺数据。
S22、根据所述质量数据，对系统过程能力进行评价，得到过程能力评价结果，若所述过程能力评价结果足够，则执行S23，否则执行S24，同上述实施例1。
S23、进入全程监控模式。
一方面，如实施例1所述，进入全程监控模式后，可以实现实时监控，包括以下流程：
A1、采集多个训练样本，组成训练样本集；
A2、根据训练样本集中的类别，获取所述训练样本集的分布传递信息值；
A3、根据所述分布传递信息值，获取每种过程参数的信息增益；
A4、选择信息增益最大的过程参数作为分裂节点，建立决策树；
A5、根据决策树，对新数据进行类别识别。
其中，通过以下计算公式得到所述分布传递信息值：
info(S)＝-∑Pi*log2(Pi)，其中，info(S)为训练样本集的分布传递信息值，Pi为训练样本属于第i个类别的概率。
以下述表1为例：
表1
序号 T P PH 类别
1 H N H 良
2 L H N 良
3 N L L 优
4 H N N 差
5 N N H 良
6 L N N 优
7 L H L 优
8 N H H 差
9 H L N 良
训练样本集中包含有9条训练样本，其中类别为优的有三条样本(序号为3、6、7)，类别为良的有4个，类别为差的有2个。
通过以下计算公式得到所述信息增益：
其中，info(S)为训练样本集的分布传递信息值，info(Sv)为某一属性参数的分布传递信息值，为所述某一属性参数在某一类别的概率，Varies(A)为属性参数的集合。
以表1中的数据为例，以info(TH)为例，同理，可以求得info(TN)和info(TL)，进而求得gain(S,T)，同理可以求得gain(S,P)和gain(S,PH)。
假如经过计算，gain(S,T)＞gain(S,PH)＞gain(S,P)，则以温度T为分裂节点建立模型。
本发明实施例中，以信息增益为选择分裂节点的依据进行决策树模型的建立，有利于对二维(多维)数据进行准确识别分类，为参数智能反馈提供可靠的依据。所述二维(多维)数据可以应用在以下场景：同一个训练样本中的过程参数为根据关键质量属性筛选得到的关键过程参数，所述关键质量属性为根据过程知识系统中的工段而选择的属性参数，针对同一个关键质量属性具有两个或多个关键过程参数的情况，可以采用本发明实施例中的方法对参数类型进行识别。
以信息增益最大的过程参数温度T作为根节点，以其对应的属性参数为第一枝节点，判断各属性参数对应的类别是否一致，若是，则将该类别作为叶节点，否则将信息增益排序上次大的过程参数作为第二枝节点，重复上述步骤，直至得到类别作为叶节点。
以表1中的数据为例，假如经过计算，gain(S,T)＞gain(S,PH)＞gain(S,P)，则建立的决策树如图9所示。
根据图9所示的决策树，可以对新数据进行类型判断，比如，新数据为T(L)P(H)PH(L)，虽然该新数据在表1中不曾出现，但是根据图9所示的决策树，可以识别该参数的类型为优；再比如新数据为T(N)P(H)PH(H)，则判定该参数类型为差，并及时反馈给用户，或作出提醒警告。
若根节点、各枝节点相同，且叶节点不同，则统计训练样本集中所述根节点、各枝节点下的叶节点数量，若统计数量一致，则随机舍弃其中任意一个叶节点，否则舍弃数量较低的叶节点。具体举例，比如在表1中增加序号为10的训练样本：T(N)P(H)PH(H)，类型为良，显然，这与表1中序号为8的样本的类型结论是有差异的，在这种情况下，统计两者的样本条数，以样本条数多的为准，若数量相同，则随机选择任意一种类型。
另一方面，如实施例1所述，进入全程监控模式后，还可以实现在线预警，包括以下流程：
B1、接收结果反馈请求，所述反馈请求包括中间体结果类型；
B2、获取与所述反馈请求对应的过程参数，所述过程参数为多维参数，组成过程参数集；
B3、将所述过程参数集输入结果反馈神经网络模型；
所述结果反馈神经网络模型由过程参数样本训练得到，参见图4，包括以下流程：
B31、获取待训练的过程参数样本数据，所述过程参数样本包括多个过程参数集及对应的已知目标值；
B32、建立初始网络模型，所述初始网络模型包括输入层、隐藏层、输出层、初始权重和初始偏置；
B33、利用后向传播法，对所述初始权重和初始偏置进行更新，直至实现权重收敛，得到结果反馈神经网络模型。
B4、获取所述结果反馈神经网络模型的输出结果。
误差反向传播的过程就是将误差分摊给各层所有单元，从而获得各层单元的误差信号，进而修正各单元的权值，即权值调整的过程。
图10为多层前馈神经网络的拓扑结构示意图，包括一输入层、一隐藏层和一输出层，所述输入层包含若干个单元i，所述隐藏层包含若干个单元j，所述输出层包含若干个单元k。如图所示，输入层的单元i与隐藏层的单元j的连接的权重为wij，隐藏层的单元j与输出层的单元k的连接的权重为wjk。
在本发明的另一个实施例中，神经网络模型中的隐藏层数量为多于一层，未图示，其模型建立方法及权重、偏置更新方法与一层隐藏层的神经网络模型是一样的，下面以单隐藏层的神经网络模型为例进行说明：
神经网络的权重被初始化为小的随机数，每个神经网络单元(简称：神经元)都有一个相关联的偏置，所述偏置也同样初始化为小的随机数。以隐藏层中的单个神经元j为例，参见图11：
单元j的净输入计算公式如下：
其中，本层单元j具有n1个上一层连接单元，Oi为上一层单元i的输出值，wij为上一层单元i与本层单元j的连接的权重，θj是本层单元j的偏置，所述偏置充当阀值，用于改变神经元的活性。
单元j的输出计算公式如下：
其中，Oj为本层单元j的实际输出。
计算后向传播误差的过程包括对初始权重和初始偏置进行误差更正，实现权重和偏置的更新。
在本发明的一个实施例中，所述权重误差系数通过以下公式获取：
Errj＝Oj(1-Oj)(Tj-Oj)，其中，Tj为单元j给定训练元组的已知目标值，Oj为本层单元j的实际输出，Oj(1-Oj)为逻辑逻辑斯蒂函数的导数。
在本发明的另一个实施例中，所述权重误差系数根据所在输出层或隐藏层而有所不同，在本实施例中，分别定义为输出层权重误差系数和隐藏层权重误差系数，对于输出层的单元j，权重误差系数(即输出层权重误差系数)通过以下公式获取：
Errj＝Oj(1-Oj)(Tj-Oj)，其中，Tj为单元j给定训练元组的已知目标值，Oj为本层单元j的实际输出；
对于隐藏层的单元j，权重误差系数(即隐藏层权重误差系数)通过以下公式获取：
其中，本层单元j具有n2个下一层连接单元，Errk下一层单元k的权重误差系数，wjk为本层单元j与下一层单元k的连接的权重，Oj为本层单元j的实际输出，Oj(1-Oj)为逻辑逻辑斯蒂函数的导数。
基于此，对所述初始权重进行更新包括：
获取权重误差系数，得到权重改变量Δwij＝l(ErrjOi)；
根据权重改变量，更新权重wij＝wij+Δwij，其中，wij为上一层单元i与本层单元j的连接的权重，Δwij为上一层单元i与本层单元j的连接的权重改变量，Errj为单元j的权重误差系数，Oi为上一层的单元i的输出，l为学习率，所述学习率通常取(0.0,1.0)区间内的常数值。
另一方面，对所述初始偏置进行更新包括：
获取权重误差系数，得到偏置改变量Δθj＝(-l)Errj；
根据偏置改变量，更新偏置θj＝θj+Δθj，其中，θj为本层单元j的偏置，Δθj为偏置改变量，Errj为单元j的权重误差系数，l为学习率，所述学习率通常取(0.0,1.0)区间内的常数值，权重更新中的学习率和偏置更新中的学习率可以单独设置(设置为不同的数值)，也可以统一设置为同一数值，优选取值为0.3。
如果每处理一个样本就更新权重和偏置，称为实例更新(case update)；如果处理完训练集中的所有元组之后再更新权重和偏置，称为周期更新(epoch update)。理论上，反向传播算法的数据推导使用周期更新，但是在实践中，实例更新通常产生更加准确的结果。
进一步地，所述权重收敛包括满足以下任一条件：
权重更新的改变量小于预设的第一阈值，即Δwij小于某个指定的阀值；
结果反馈神经网络模型的误分类元组百分比小于预设的第二阈值，比如利用建立的模型对某一样本进行分类，参考对应的已知目标值，该模型的误分类比例值小于5％；
权重更新次数达到预设的第三阈值，比如周期更新达到10万次，
如果满足以上条件之一，即可停止训练。实践中，权重收敛可能需要数十万个周期，神经网络的训练有很多经验和技巧，优选使用模拟退火技术，确保神经网络收敛到全局最优。
通过上述算法训练学习建立结果反馈神经网络模型，对于每一个过程参数的输入，模型给出中间体结果是否合格的反馈结果，即模型在输出结果后，与预设的合格标准作比较，反馈合格或者不合格(或者优/良/中/差)的结果。
再一方面，在全程监控模式下，系统平台每隔固定周期自动循环执行步骤S21，以更新全程监控的控制图，参见图2。
S24、根据所述工艺数据，进入设计空间寻找模式。
S241、根据获取的设计空间对参数进行放行；
S242、对系统过程能力进行再评价，得到过程能力再评价结果，若再评价结果足够，则执行S243，否则执行S244；
S243、进入全程监控模式；
同样地，在全程监控模式下，系统平台每隔固定周期自动循环执行步骤S21，以更新全程监控的控制图。
S244、挖掘设计空间潜在参数；
S245、将挖掘的潜在参数加入放行参数集合，优化设计空间，直至过程能力再评价结果足够。
具体的设计空间潜在参数挖掘方法在下述实施例4详述。
实施例3
在本发明的一个实施例中，提供了一种设计空间寻找方法，参见图5，所述方法包括以下流程：
S31、获取工艺数据，所述工艺数据包括上一工段的中间体的质量参数；
S32、根据工段生产情况，选择关键质量属性的类型；
S33、筛选与所述关键质量属性相关的工艺数据，作为关键过程参数；
S34、建立所述关键过程参数与关键质量属性之间的关系模型；
S35、根据所述关系模型，获取设计空间，所述设计空间为对应于所述关键质量属性的特定区间范围。
其中，筛选关键过程参数的流程如下：
由于在实际生产中，并不是所有的过程参数都有分析价值，因为在实际生产的工艺中，一些过程参数是已经固定的或者只是在微小的范围内变化，这些参数由于变化甚小，可以视为常量，不纳入分析，因此，对过程参数进行相对标准偏差分析，得到符合偏差阈值的过程参数。
在这里，采用相对标准偏差(relative standard deviation，RSD)分析的目的就是初步筛选得到波动比较大的过程参数，即得到符合偏差阈值的过程参数。
RSD的计算公式为：
其中，xi为各批次样品的某过程参数的值，n为样品容量，为样品某过程参数的平均值。
一般选择RSD较大(≥3％)的参数进行相关性分析，RSD的阈值可设置为3％，但仅作参考，实际阈值还需要多次的分析来确定。
其次，对所述符合偏差阈值的过程参数进行相关性分析，得到过程参数与关键质量属性之间的相关系数。
在实际生产中，不同的过程参数对中间体的质量影响程度是不一样的，有的参数对最终产品的质量起着决定性作用，有些参数对中间体或者最终产品质量的影响则较小，进行相关性分析的目的在于可以直观的看出影响产品的关键过程参数及其贡献度，找出生产过程的内在规律，加深对生产过程的理解，更好地对生产中的各个参数进行有目的的控制。
在本发明实施例中，应用统计学中的皮尔逊系数来度量CQA与CPP(或者CPPs)之间的相关性，其值介于-1到1之间。两个变量之间的相关系数的数学定义为：
其中，σX为X属性的标准差，X属性是过程参数相关的特征，如压力平均值，温度平均值，方差以及时间特征；σY为Y属性的标准差，Y为CQA，如指标成分转移率、总酸转移率和固含量等。cov(X,Y)为X和Y的协方差，其定义为,cov(X,Y)＝E[(X-μX)(Y-μY)]，其中，μX,μY分别为属性X和Y的平均值。
再次，根据所述相关系数，获取所述过程参数与关键质量属性之间的显著系数。
此处我们使用RSD(相对标准偏差)分析和相关性分析联用来筛选实际生产中影响产品质量的关键工艺参数，数据处理均在PKS系统的RSD分析模块和相关性模块中进行。结合SPSS，Minitab等软件使用更为便捷。推荐使用SPSS、Minitab。
以Minitab为例计算皮尔逊系数，在Minitab软件中选中要进行分析的项并选择皮尔逊系数法，显示P值，即为符合偏差阈值的过程参数与关键质量属性之间的显著系数。
最后，根据所述显著系数，筛选得到关键过程参数。
相关性分析中，选择显著系数P值小于0.05(或根据实际情况进行分析选择)的参数作为CPP。通过上述两步，即可得到该工段不同CQA的CPP。
通过本实施例中筛选CPP的方法，找出生产过程中CQA与CPP初步规律，初步加深对生产过程的理解，为下面的建立数学模型提供良好的样本基础。
其中，建立关系模型的方法包括以下流程：
第一、对关键过程参数和关键质量属性进行数据标准化操作。
标准化的方式很多，有标准差标准化，极差标准化等，研究中可以多多尝试，比较结果的不同。
第二、利用逐步回归方法，对标准化的关键过程参数和关键质量属性进行拟合操作，得到关系模型。
回归的方法也有很多，包括线性和非线性的。此处使用的是逐步回归的方法(避免多重共线性的影响)，可以尝试的方法还包括SVM、MLR、BP等。在本发明实施例中，使用Minitab进行逐步回归，具体为在minitab中选中‘统计’→‘回归’→‘拟合模型’，选定响应变量和自变量，在‘逐步’选项中，设置入选用α和删除用α和逐步类型，回归结束后，得到数学模型，即回归方程。
一般来说，与实验室数据相比，在小试研究中，CQA较多时，会使用综合评价的方法，如偏回归系数法，多指标综合评定法来筛选CPP，但实际生产由于没有实验设计，很难取得小试研究中R2较高的偏回归方程，所以该方法并不适用于实际生产数据。而生产工艺由于相对成熟，变量因素往往是固定的几个因素，因此，原理较为简单的RSD和相关性分析联用，在实际生产数据筛选CPP的效果更好，但是也有弊端，因为仍缺乏一种综合评价筛选多指标的关键过程参数，如果用逐个的CQA寻找设计空间，很有可能出现设计空间没有交集的情况，即较实验室数据相比，制造过程中的决定系数R2偏小，因此仍需寻找一种适合实际生产的筛选CPP的方法。(目前尝试使用综合各个CQA的对应CPPs作为整体评价指标的CPPs，逐步回归的时候扩大入选用α，直至R2大于0.85)。
实施例4
在本发明的一个实施例中，提供了一种设计空间潜在参数挖掘方法，参见图6，所述方法包括以下流程：
S41、接收设计空间潜在参数挖掘请求，所述请求包括设计空间对应的工段条件信息；
S42、根据所述工段条件信息，获取与工段对应的关键质量属性及拟定潜在参数集合；
S43、对拟定的潜在参数进行测试，得到待验证潜在参数；
具体测试过程优选采用以下方式：对拟定的潜在参数进行单因素测试，得到多个过程参数；对所述过程参数进行正交测试，得到待验证潜在参数。
其中，待验证潜在参数的获取方法流程包括以下流程：
第一、设计正交测试，得到组间试验数据和组内试验数据。
具体地，所述组间试验数据即为不同组之间(针对不同过程参数)的试验数据，所述组内试验数据即为同一组(针对同一过程参数)的试验数据。
第二、对组间试验数据和组内试验数据进行方差分析，得到均方离差平方和比值。
所述方差分析的过程如下：根据设计的正交测试，确定组间自由度和组内自由度，并根据组间试验数据和组内试验数据，计算组间离差平方和和组内离差平方和；然后根据组间离差平方和与组间自由度，计算得到组间均方，根据组内离差平方和与组内自由度，计算得到组内均方；根据组间均方和组内均方，得到均方离差平方和比值(F值)。
第三、根据所述均方离差平方和比值，匹配相应的显著系数。
查表可以确定与所述F值匹配对应的显著系数P值。
第四、根据所述显著系数，筛选得到待验证潜在参数。
确定显著系数阈值，小于所述显著系数阈值的显著系数所对应的过程参数，作为待验证潜在参数。即选择显著系数P值小于0.05(或根据实际情况进行分析选择)的参数作为待验证潜在参数。
除了上述优选方式，也可以采用以下挖掘方法：对拟定的潜在过程参数进行Plackett-Burman试验，按照筛选规则筛选得到过程参数，在本实施例中，筛选规则为Plackett-Burman试验得到的显著系数小于等于0.05的拟定参数为筛选得到的过程参数。
然后进一步执行以下方法得到待验证潜在参数：
对过程参数进行相对标准偏差分析，得到符合偏差阈值的过程参数；对所述符合偏差阈值的过程参数进行相关性分析，得到过程参数与关键质量属性之间的相关系数；根据所述相关系数，获取所述过程参数与关键质量属性之间的显著系数；将小于显著系数阈值的显著系数所对应的过程参数作为待验证潜在过程参数。
S44、对待验证潜在参数进行验证，得到设计空间潜在参数。
其中，对待验证潜在参数进行验证的方法包括以下流程：
首先，将待验证潜在参数加入设计空间的关键过程参数库，更新关键过程参数集合。
正如实施例1所述的，潜在参数范围是在所述放行参数(即CPP)以外的范围内拟定的，而待验证潜在参数又是从所述潜在参数范围中筛选出来的，在本实施例中，对待验证潜在参数进行验证的过程即为设计空间优化的过程，即利用待验证潜在参数与放行参数组成新的CPP，寻找新的设计空间。
具体地，还可以对更新后的设计空间进行验证，看挖掘的潜在参数是否对PKS系统的生产能力和性能产生有益的影响。验证方式可以通过计算优化前后的系统过程能力，若过程能力有所提高，则说明挖掘的潜在参数成功，若过程能力反而下降，则恢复到优化前的设计空间。
实施例5
在本发明实施例中，提供了一种系统过程能力评价方法，参见图7，所述方法包括以下流程：
S51、采集质量数据得到质量样本，所述质量数据为制造过程中的中间体性能参数；
S52、根据所述质量样本，得到过程平均值和过程标准差；
S53、对所述质量样本进行数据筛查，得到质量控制标准样本。
比如质量样本中有100个质量数据，编号为0-99，对该质量样本进行100次(也可以是99次或101次或其他次数)的随机取样，每一次随机从编号为0-99中抽取其中某个编号的质量数据，作为一个数组成员，100次的随即取样，得到具有100个数字的数组，再对该数组进行由小到大排序。按照筛选规则(比如取排序样本中间的80％数据作为工段质量评价数据)，则进行由小到大排序后的数组，取第11个数字放入第一质量控制标准样本，取第90个数字放入第二质量控制标准样本。
重复上述步骤，比如重复10000次，则第一质量控制标准样本中有10000个质量控制标准下限，第二质量控制标准样本中有10000个质量控制标准上限。
S54、根据所述质量控制标准样本，得到质量控制标准上限和/或下限。
具体地，对第一质量控制标准样本进行样本平均，即对所述第一质量控制标准样本中的10000个质量控制标准下限取平均值，得到质量控制标准下限；对第二质量控制标准样本进行样本平均，即对所述第二质量控制标准样本中的10000个质量控制标准上限取平均值，得到质量控制标准上限。
S55、根据所述质量控制标准上限和下限，得到标准中间值和过程分散值，其中，
S56、根据标准中间值、过程分散值、过程平均值及过程标准差，通过以下计算公式得到所述质量评价值：
其中，过程平均值为质量样本中的质量数据的平均值，过程标准差为所述质量数据的标准差；
当质量控制标准仅有上限或者下限，则所述质量评价结果的计算方法包括以下流程：
通过以下计算公式得到所述质量评价值：
其中，过程平均值为质量样本中的质量数据的平均值，过程标准差为所述质量数据的标准差。
S57、根据所述质量评价结果，得到过程能力评价结果。
具体地，预建立对应的能力评价映射表，所述能力评价预设表上设置有质量评价结果与对应的过程能力评价结果。比如，质量评价结果大于等于2.00，则过程能力评价结果为A++级；质量评价结果大于等于1.67，且小于2，则过程能力评价结果为A+级；质量评价结果大于等于1.33，且小于1.67，则过程能力评价结果为A级；质量评价结果大于等于1.00，且小于1.33，则过程能力评价结果为B级；质量评价结果大于等于0.67，且小于1.00，则过程能力评价结果为C级；质量评价结果小于0.67，则过程能力评价结果为D级。
所述过程能力评价结果的意义在于，根据该结果，指导对制造过程的控制，比如：过程能力评价结果为A++级，则表示生产能力溢出，需要考虑降低成本；过程能力评价结果为A+级，则表示可以继续保持该水平；过程能力评价结果为A级，则表示过程能力良好，可适当提高；过程能力评价结果为B级，说明过程能力一般，若处在关键工段可适当提高，若处在非关键工段可不做提高；过程能力评价结果为C级，说明过程能力需要提高；过程能力评价结果为D级，说明过程能力严重不足，建议停产检查。
对于存在多个质量评价结果的，根据能力评价规则，确定过程能力评价结果，比如，在多个质量评价结果中选最低者，并匹配与该最低质量评价结果有映射关系的过程能力评价结果作为多个质量评价结果的能力评价结果。本发明不限定能力评价规则为最低规则，可以根据实际生产情况进行制定相应的能力评价规则。
实施例6
在本发明的一个实施例中，提供了一种中药生产过程知识系统，参见图8，所述系统包括：
数据库模块610，包括生产数据采集单元611和存储单元612，所述生产数据采集单元用于采集生产中的过程参数数据，所述过程参数包括质量数据和工艺数据，所述存储单元用于存储采集到的所述过程参数数据；
能力评价模块620，用于根据所述质量数据，对系统过程能力进行评价，得到过程能力评价结果；
监控反馈模块630，用于响应于所述过程能力评价结果足够，则进入全程监控模式；
设计空间寻找模块640，用于响应于所述过程能力评价结果不足，则根据所述工艺数据，进入设计空间寻找模式。
对pks系统中用到的大量质量数据和过程参数数据，存储在所述数据库模块610中，包括指标成分含量、密度、pH等单变量属性以及指纹图谱、近红外光谱、紫外光谱等反映整体属性的光谱矩阵等数据，采用非关系型数据库，其特点为：非关系型的、分布式、开源的、水平可扩展的。
具体采用Redis数据库存储数据，并采用分区技术，其优势如下：1、通过利用多台计算机内存的和值，允许我们构造更大的数据库。2、通过多核和多台计算机，允许我们扩展计算能力；通过多台计算机和网络适配器，允许我们扩展网络带宽。
在pks系统中，采用Redis数据库的同时采用哈希分区技术，具体实现步骤如下：
第一步：建立哈希表，选择数据中的关键字作为索引
第二步：选择适当的哈希函数，若对整数取模，将其转化为0-3之间的数字，就可以将这个整数映射到4个Redis实例中的一个了。例如：93024922％4＝2，就是说其应该被存到R2实例中。
第三步：设m和n分别表示表长和表中填入的结点数，则将α＝n/m定义为散列表的装填因子(LoadFactor)。α越大，表越满，冲突的机会也越大。通常取α≤1。当装填因子大于0.75将哈希表进行再哈希，保证大量数据的快速存储，为数据实时读取提供基础。
从数据库模块610中进行实时数据读取主要采用如下技术：
1)存储复制技术
核心方案是利用存储阵列自身的盘阵对盘阵的数据块复制技术实现对质量数据和过程参数数据的远程拷贝，从而实现数据的灾难保护。在主数据中心发生灾难时，可以利用灾备中心的数据在灾备中心建立运营支撑环境，为生产继续运营提供支持。同时，也可以利用灾备中心的数据恢复主数据中心的业务系统，从而能够让生产运营快速回复到灾难发生前的正常运营状态。
2)ETL抽取技术
ETL即数据抽取(Extract)、转换(Transform)、装载(Load)的过程。其提供一种从源到目标系统转换数据的方法。具体功能针对不同的质量数据和过程参数数据编写不同的数据抽取、转换和加载程序处理，这完成了数据集成的大部分工作。
其中，主要用到的功能技术为数据的清晰转换功能，既：字段映射、映射的自动匹配、字段的拆分、多字段的混合运算、跨异构数据库的关联、自定义函数、多数据类型支持、复杂条件过滤、支持脏读、数据的批量装载、时间类型的转换、对各种码表的支持、环境变量动态修改、去重复记录、抽取断点、记录间合并或计算、记录拆分、抽取的字段是否可以动态修改、行/列变换、排序、统计、度量衡等常用的转换函数、代理主键的生成、调试功能、抽取远程数据、增量抽取的处理方式、制造样品数据、在转换过程中是否支持数据比较的功能、数据预览、性能监控、数据清洗及标准化、按行/按列的分组聚合等等。
在pks系统中，采用上述技术，保证了大量数据能够快速并发地实时读取，为下一步的数据分析反馈作好铺垫。
具体地，所述设计空间寻找模块640包括：
工艺数据单元641，用于获取工艺数据，所述工艺数据包括上一工段的中间体的质量参数；
CQA单元642，用于根据工段生产情况，选择关键质量属性的类型；
CPP单元643，用于筛选与所述关键质量属性相关的工艺数据，作为关键过程参数；
设计空间模型单元644，用于建立所述关键过程参数与关键质量属性之间的关系模型；
空间单元645，用于根据所述关系模型，获取设计空间，所述设计空间为对应于所述关键质量属性的特定区间范围。
本发明实施例提供的中药生产过程知识系统还包括挖掘模块650，所述挖掘模块650包括：
挖掘请求单元651，用于接收设计空间潜在参数挖掘请求，所述请求包括设计空间对应的工段条件信息；
拟定单元652，用于根据所述工段条件信息，获取与工段对应的关键质量属性及拟定潜在参数集合；
挖掘执行单元653，用于对拟定的潜在参数进行测试，得到待验证潜在参数；
验证单元654，用于对待验证潜在参数进行验证，得到设计空间潜在参数。
优选地，所述能力评价模块620包括：
数据获取单元621，用于从数据库模块610获取质量数据得到质量样本，所述质量数据为制造过程中的中间体性能参数；
过程处理单元622，用于根据所述质量样本，得到过程平均值和过程标准差；
筛查单元623，用于对所述质量样本进行数据筛查，得到质量控制标准样本；
标准区间单元624，用于根据所述质量控制标准样本，得到质量控制标准上限和/或下限；
评价值单元625，用于根据所述质量控制标准上限和下限，得到标准中间值和过程分散值，其中，
并用于根据标准中间值、过程分散值、过程平均值及过程标准差，通过以下计算公式得到所述质量评价值：
其中，过程平均值为质量样本中的质量数据的平均值，过程标准差为所述质量数据的标准差；
映射单元626，用于根据所述质量评价结果，得到过程能力评价结果。
在本发明的一个实施例中，所述监控反馈模块630用于对多维参数进行识别，所述监控反馈模块630包括：
训练样本采集单元631a，用于采集多个训练样本，组成训练样本集，每个训练样本包括多种过程参数，每种过程参数具有相应的属性参数和类别，其中，所述属性参数和类别的组合有多种；
分布传递单元632a，用于根据所述训练样本集中的类别，获取所述训练样本集的分布传递信息值；
增益单元633a，用于根据所述分布传递信息值，获取每种过程参数的信息增益；
决策树单元634a，用于选择信息增益最大的过程参数作为分裂节点，建立决策树；
数据识别单元635a，用于根据决策树，对新数据进行类别识别。
在本发明的另一个实施例中，所述监控反馈模块630基于过程参数进行结果反馈，所述监控反馈模块630包括：
结果反馈请求单元631b，用于接收结果反馈请求，所述反馈请求包括中间体结果类型；
参数单元632b，用于获取与所述反馈请求对应的过程参数，所述过程参数为多维参数，组成过程参数集；
结果反馈神经网络模型输入单元633b，用于将所述过程参数集输入结果反馈神经网络模型，所述结果反馈神经网络模型由过程参数样本训练得到；
结果反馈神经网络模型输出单元634b，用于获取所述结果反馈神经网络模型的输出结果。
其中，所述监控反馈模块630还包括结果反馈神经网络模型训练单元635b，包括：
训练样本获取单元6351，用于获取待训练的过程参数样本数据，所述过程参数样本包括多个过程参数集及对应的已知目标值；
初始模型单元6352，用于建立初始网络模型，所述初始网络模型包括输入层、隐藏层、输出层、初始权重和初始偏置；
权重更新单元6353，用于利用后向传播法，对所述初始权重和初始偏置进行更新，直至实现权重收敛，得到结果反馈神经网络模型。
需要说明的是：上述实施例提供的中药生产过程知识系统在进行生产过程控制时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将中药生产过程知识系统的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，本实施例提供的中药生产过程知识系统实施例与上述实施例提供的中药生产过程控制方法属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (13)

1.一种中药生产过程控制方法，其特征在于，包括：
采集生产中的过程参数数据，所述过程参数包括质量数据和工艺数据，所述质量数据为生产过程中的中间体性能参数；
根据所述质量数据，对系统过程能力进行评价，得到过程能力评价结果；
若所述过程能力评价结果足够，则进入全程监控模式；
若所述过程能力评价结果不足，则根据所述工艺数据，进入设计空间寻找模式，包括：获取工艺数据；根据工段生产情况，选择关键质量属性的类型；筛选与所述关键质量属性相关的工艺数据，作为关键过程参数；建立所述关键过程参数与关键质量属性之间的关系模型；根据所述关系模型，获取设计空间，所述设计空间为对应于所述关键质量属性的特定区间范围。
2.根据权利要求1所述的方法，其特征在于，所述进入设计空间寻找模式之后还包括：
根据获取的设计空间对参数进行放行；
对系统过程能力进行再评价，得到过程能力再评价结果；
若所述过程能力再评价结果足够，则进入全程监控模式；
若所述过程能力再评价结果不足，则挖掘设计空间潜在参数。
3.根据权利要求2所述的方法，其特征在于，所述挖掘设计空间潜在参数包括：
接收设计空间潜在参数挖掘请求，所述请求包括设计空间对应的工段条件信息；
根据所述工段条件信息，获取与工段对应的关键质量属性及拟定潜在参数集合；
对拟定的潜在参数进行测试，得到待验证潜在参数；
对待验证潜在参数进行验证，得到设计空间潜在参数。
4.根据权利要求1所述的方法，其特征在于，所述对系统过程能力进行评价，得到过程能力评价结果包括：
采集质量数据得到质量样本，所述质量数据为制造过程中的中间体性能参数；
根据所述质量样本，得到过程平均值和过程标准差；
对所述质量样本进行数据筛查，得到质量控制标准样本；
根据所述质量控制标准样本，得到质量控制标准上限和/或下限；
根据所述质量控制标准上限和下限，得到标准中间值和过程分散值，其中，
根据标准中间值、过程分散值、过程平均值及过程标准差，通过以下计算公式得到所述质量评价值：
其中，过程平均值为质量样本中的质量数据的平均值，过程标准差为所述质量数据的标准差；
根据所述质量评价结果，得到过程能力评价结果。
5.根据权利要求1所述的方法，其特征在于，所述进入全程监控模式包括对多维参数进行识别，包括：
采集多个训练样本，组成训练样本集，每个训练样本包括多种过程参数，每种过程参数具有相应的属性参数和类别，其中，所述属性参数和类别的组合有多种；
根据所述训练样本集中的类别，获取所述训练样本集的分布传递信息值；
根据所述分布传递信息值，获取每种过程参数的信息增益；
选择信息增益最大的过程参数作为分裂节点，建立决策树；
根据决策树，对新数据进行类别识别。
6.根据权利要求1所述的方法，其特征在于，所述进入全程监控模式包括基于过程参数进行结果反馈，包括：
接收结果反馈请求，所述反馈请求包括中间体结果类型；
获取与所述反馈请求对应的过程参数，所述过程参数为多维参数，组成过程参数集；
将所述过程参数集输入结果反馈神经网络模型，所述结果反馈神经网络模型由过程参数样本训练得到；
获取所述结果反馈神经网络模型的输出结果。
7.根据权利要求6所述的方法，其特征在于，所述结果反馈神经网络模型由过程参数样本训练包括：
获取待训练的过程参数样本数据，所述过程参数样本包括多个过程参数集及对应的已知目标值；
建立初始网络模型，所述初始网络模型包括输入层、隐藏层、输出层、初始权重和初始偏置；
利用后向传播法，对所述初始权重和初始偏置进行更新，直至实现权重收敛，得到结果反馈神经网络模型。
8.一种中药生产过程知识系统，其特征在于，包括以下模块：
数据库模块，包括生产数据采集单元和存储单元，所述生产数据采集单元用于采集生产中的过程参数数据，所述过程参数包括质量数据和工艺数据，所述存储单元用于存储采集到的所述过程参数数据，所述质量数据为生产过程中的中间体性能参数；
能力评价模块，用于根据所述质量数据，对系统过程能力进行评价，得到过程能力评价结果；
监控反馈模块，用于响应于所述过程能力评价结果足够，则进入全程监控模式；
设计空间寻找模块，用于响应于所述过程能力评价结果不足，则根据所述工艺数据，进入设计空间寻找模式，所述设计空间寻找模块包括：工艺数据单元，用于获取工艺数据；CQA单元，用于根据工段生产情况，选择关键质量属性的类型；CPP单元，用于筛选与所述关键质量属性相关的工艺数据，作为关键过程参数；设计空间模型单元，用于建立所述关键过程参数与关键质量属性之间的关系模型；空间单元，用于根据所述关系模型，获取设计空间，所述设计空间为对应于所述关键质量属性的特定区间范围。
9.根据权利要求8所述的系统，其特征在于，还包括挖掘模块，包括：
挖掘请求单元，用于接收设计空间潜在参数挖掘请求，所述请求包括设计空间对应的工段条件信息；
拟定单元，用于根据所述工段条件信息，获取与工段对应的关键质量属性及拟定潜在参数集合；
挖掘执行单元，用于对拟定的潜在参数进行测试，得到待验证潜在参数；
验证单元，用于对待验证潜在参数进行验证，得到设计空间潜在参数。
10.根据权利要求8所述的系统，其特征在于，所述能力评价模块包括：
数据获取单元，用于获取质量数据得到质量样本，所述质量数据为制造过程中的中间体性能参数；
过程处理单元，用于根据所述质量样本，得到过程平均值和过程标准差；
筛查单元，用于对所述质量样本进行数据筛查，得到质量控制标准样本；
标准区间单元，用于根据所述质量控制标准样本，得到质量控制标准上限和/或下限；
评价值单元，用于根据所述质量控制标准上限和下限，得到标准中间值和过程分散值，其中，
并用于根据标准中间值、过程分散值、过程平均值及过程标准差，通过以下计算公式得到所述质量评价值：
其中，过程平均值为质量样本中的质量数据的平均值，过程标准差为所述质量数据的标准差；
映射单元，用于根据所述质量评价结果，得到过程能力评价结果。
11.根据权利要求8所述的系统，其特征在于，所述监控反馈模块用于对多维参数进行识别，所述监控反馈模块包括：
训练样本采集单元，用于采集多个训练样本，组成训练样本集，每个训练样本包括多种过程参数，每种过程参数具有相应的属性参数和类别，其中，所述属性参数和类别的组合有多种；
分布传递单元，用于根据所述训练样本集中的类别，获取所述训练样本集的分布传递信息值；
增益单元，用于根据所述分布传递信息值，获取每种过程参数的信息增益；
决策树单元，用于选择信息增益最大的过程参数作为分裂节点，建立决策树；
数据识别单元，用于根据决策树，对新数据进行类别识别。
12.根据权利要求8所述的系统，其特征在于，所述监控反馈模块基于过程参数进行结果反馈，所述监控反馈模块包括：
结果反馈请求单元，用于接收结果反馈请求，所述反馈请求包括中间体结果类型；
参数单元，用于获取与所述反馈请求对应的过程参数，所述过程参数为多维参数，组成过程参数集；
结果反馈神经网络模型输入单元，用于将所述过程参数集输入结果反馈神经网络模型，所述结果反馈神经网络模型由过程参数样本训练得到；
结果反馈神经网络模型输出单元，用于获取所述结果反馈神经网络模型的输出结果。
13.根据权利要求12所述的系统，其特征在于，所述监控反馈模块还包括结果反馈神经网络模型训练单元，包括：
训练样本获取单元，用于获取待训练的过程参数样本数据，所述过程参数样本包括多个过程参数集及对应的已知目标值；
初始模型单元，用于建立初始网络模型，所述初始网络模型包括输入层、隐藏层、输出层、初始权重和初始偏置；
权重更新单元，用于利用后向传播法，对所述初始权重和初始偏置进行更新，直至实现权重收敛，得到结果反馈神经网络模型。
CN201710770922.4A 2017-08-31 2017-08-31 一种中药生产过程知识系统 Active CN107578104B (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN201710770922.4A CN107578104B (zh) 2017-08-31 2017-08-31 一种中药生产过程知识系统
EP18851869.0A EP3678065A4 (en) 2017-08-31 2018-08-08 KNOWLEDGE SYSTEM FOR MANUFACTURING PROCESSES OF CHINESE MEDICINE
PCT/CN2018/099310 WO2019042099A1 (zh) 2017-08-31 2018-08-08 一种中药生产过程知识系统
KR1020207007189A KR102361343B1 (ko) 2017-08-31 2018-08-08 중약 생산 과정 지식 시스템 및 중약 생산 과정 제어 방법
US16/643,084 US20200350058A1 (en) 2017-08-31 2018-08-08 Chinese medicine production process knowledge system
JP2020533333A JP6979527B2 (ja) 2017-08-31 2018-08-08 漢方薬生産プロセス知識システム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710770922.4A CN107578104B (zh) 2017-08-31 2017-08-31 一种中药生产过程知识系统

Publications (2)

Publication Number Publication Date
CN107578104A CN107578104A (zh) 2018-01-12
CN107578104B true CN107578104B (zh) 2018-11-06

Family

ID=61029919

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710770922.4A Active CN107578104B (zh) 2017-08-31 2017-08-31 一种中药生产过程知识系统

Country Status (6)

Country Link
US (1) US20200350058A1 (zh)
EP (1) EP3678065A4 (zh)
JP (1) JP6979527B2 (zh)
KR (1) KR102361343B1 (zh)
CN (1) CN107578104B (zh)
WO (1) WO2019042099A1 (zh)

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107578104B (zh) * 2017-08-31 2018-11-06 江苏康缘药业股份有限公司 一种中药生产过程知识系统
CN108346058A (zh) * 2018-01-16 2018-07-31 湖南省中医药研究院 一种中药饮片生产多维动态质量监控系统及方法
CN109033438B (zh) * 2018-08-15 2022-06-21 邢鲁华 一种记录用户学习内容的方法及装置
CN110390422A (zh) * 2019-06-13 2019-10-29 江苏康缘药业股份有限公司 一种数据驱动的热毒宁注射液绿原酸转移率预测方法
CN112734598A (zh) * 2019-10-29 2021-04-30 北京国双科技有限公司 建立外包平台模型的方法、外包方查找方法及装置
CN111080150A (zh) * 2019-12-23 2020-04-28 杭州雷数科技有限公司 生产数据分析方法、装置、设备及介质
CN111695595B (zh) * 2020-04-30 2023-09-15 首钢京唐钢铁联合有限责任公司 一种轨道衡的异常数据识别方法及装置
TWI721879B (zh) * 2020-05-04 2021-03-11 和碩聯合科技股份有限公司 決定產能參數的方法及產能參數產生系統
CN111402989B (zh) * 2020-06-08 2020-11-06 江西汇仁药业股份有限公司 一种中药综合品质评价方法
CN111398538B (zh) * 2020-06-08 2020-10-09 江西汇仁药业股份有限公司 中药综合品质评价方法
CN112036569B (zh) * 2020-07-30 2021-07-23 第四范式（北京）技术有限公司 知识内容的标注方法、装置、计算机装置和可读存储介质
CN111950784B (zh) * 2020-08-04 2023-06-09 广东工业大学 一种融合注意力机制的产能预测方法
CN112090097B (zh) * 2020-08-06 2021-10-19 浙江大学 一种中药浓缩器的性能分析方法及其应用
CN112649324B (zh) * 2020-12-30 2023-03-24 上海电缆研究所有限公司 一种评价核电站电缆用非金属材料一致性的分析方法
CN114791477B (zh) * 2021-01-25 2023-12-05 北京中医药大学 一种大蜜丸质构感官属性检测方法在质量控制中的应用
CN113345593A (zh) * 2021-03-17 2021-09-03 天津大学 一种在生物关联网络中进行疾病关联关系预测的方法
CN113140053B (zh) * 2021-04-29 2022-11-08 四川虹美智能科技有限公司 基于环形动态线的自动化扫码测试系统及方法
CN113627755B (zh) * 2021-07-27 2023-06-30 深圳市三七智远科技有限公司 智能终端工厂的测试方法、装置、设备及存储介质
CN113656456A (zh) * 2021-08-13 2021-11-16 上海铸世自动化科技有限公司 压铸生产中工艺参数大数据的实时采集控制方法
CN115130985A (zh) * 2022-02-22 2022-09-30 希望知舟技术(深圳)有限公司 生产控制方法和相关装置、存储介质和程序产品
CN116047507B (zh) * 2023-03-29 2023-06-23 扬州宇安电子科技有限公司 一种基于神经网络的靶机告警方法
CN117631627B (zh) * 2023-12-01 2024-06-28 邵东智能制造技术研究院有限公司 一种基于工业互联网的数字化改造方法
CN117726187A (zh) * 2024-02-18 2024-03-19 浙江省药品信息宣传和发展服务中心(浙江省药品监督管理局行政受理中心) 一种医药中间体的监管方法、系统和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101916334A (zh) * 2010-08-16 2010-12-15 清华大学 一种皮肤状况预测方法及其预测系统
CN103268329A (zh) * 2013-05-04 2013-08-28 四川虹欧显示器件有限公司 等离子显示屏制造过程数据挖掘系统
CN106022477A (zh) * 2016-05-18 2016-10-12 国网信通亿力科技有限责任公司 智能分析决策系统及方法

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3342948B2 (ja) * 1994-05-02 2002-11-11 株式会社東芝 Ｈ無限大ノルム測定装置および制御系の安定性監視装置
US6728695B1 (en) * 2000-05-26 2004-04-27 Burning Glass Technologies, Llc Method and apparatus for making predictions about entities represented in documents
JP2002073626A (ja) * 2000-08-28 2002-03-12 Sumitomo Pharmaceut Co Ltd 決定木によるファーマコフォア解析方法
US7117050B2 (en) * 2002-11-08 2006-10-03 Toshiba Kikai Kabushiki Kaisha Management supporting apparatus, management supporting system, management supporting method, management supporting program, and a recording medium with the program recorded therein
US8209156B2 (en) * 2005-04-08 2012-06-26 Caterpillar Inc. Asymmetric random scatter process for probabilistic modeling system for product design
US8190543B2 (en) * 2008-03-08 2012-05-29 Tokyo Electron Limited Autonomous biologically based learning tool
US20120253869A1 (en) * 2009-12-14 2012-10-04 Rebecca Ansley System and Method for Process Improvement and Associated Products and Services
US8666922B2 (en) * 2011-03-18 2014-03-04 Battelle Memorial Institute Information processing systems, reasoning modules, and reasoning system design methods
CN103186125A (zh) * 2011-12-31 2013-07-03 上海金皮宝制药有限公司 采用专家系统的中药生产在线控制系统
KR101530848B1 (ko) * 2012-09-20 2015-06-24 국립대학법인 울산과학기술대학교 산학협력단 데이터마이닝을 이용하여 생산 공정에서 품질을 관리하는 장치 및 방법
US8897560B2 (en) * 2012-09-24 2014-11-25 Eastman Kodak Company Determining the estimated clutter of digital images
US9864366B2 (en) * 2013-03-15 2018-01-09 Etegent Technologies Ltd. Manufacture modeling and monitoring
CN104050612A (zh) * 2014-03-13 2014-09-17 无锡香象生物科技有限公司 一种基于云计算的药品比值比失衡安全监测方法
US20160004983A1 (en) * 2014-07-07 2016-01-07 GM Global Technology Operations LLC Method and apparatus for quantifying dimensional variations and process capability independently of datum points
JP6345036B2 (ja) * 2014-08-25 2018-06-20 ケーディーアイコンズ株式会社 情報処理装置及びプログラム
US10135856B2 (en) * 2014-12-18 2018-11-20 International Business Machines Corporation Auto-tuning program analysis tools using machine learning
CN104865322A (zh) * 2015-04-15 2015-08-26 浙江大学 一种栀子萃取液浓缩过程快速检测方法
CN104833651B (zh) * 2015-04-15 2017-06-30 浙江大学 金银花浓缩过程在线实时放行检测方法
TWI587110B (zh) * 2015-07-03 2017-06-11 元智大學 光學薄膜製程即時監測系統及其方法
US11580375B2 (en) * 2015-12-31 2023-02-14 Kla-Tencor Corp. Accelerated training of a machine learning based model for semiconductor applications
CN105867129A (zh) * 2016-04-18 2016-08-17 浙江大学苏州工业技术研究院 基于数据挖掘技术的中药提取工艺优化方法
US10754334B2 (en) * 2016-05-09 2020-08-25 Strong Force Iot Portfolio 2016, Llc Methods and systems for industrial internet of things data collection for process adjustment in an upstream oil and gas environment
WO2017203492A1 (en) * 2016-05-27 2017-11-30 Apotex Inc. Methods for process validation
CN106154209B (zh) * 2016-07-29 2018-11-30 国电南瑞科技股份有限公司 基于决策树算法的电能表故障预测方法
US10310852B2 (en) * 2016-09-29 2019-06-04 Entit Software Llc Timing estimations for application lifecycle management work items determined through machine learning
CN107578104B (zh) * 2017-08-31 2018-11-06 江苏康缘药业股份有限公司 一种中药生产过程知识系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101916334A (zh) * 2010-08-16 2010-12-15 清华大学 一种皮肤状况预测方法及其预测系统
CN103268329A (zh) * 2013-05-04 2013-08-28 四川虹欧显示器件有限公司 等离子显示屏制造过程数据挖掘系统
CN106022477A (zh) * 2016-05-18 2016-10-12 国网信通亿力科技有限责任公司 智能分析决策系统及方法

Also Published As

Publication number Publication date
JP2020533403A (ja) 2020-11-19
JP6979527B2 (ja) 2021-12-15
US20200350058A1 (en) 2020-11-05
WO2019042099A1 (zh) 2019-03-07
EP3678065A4 (en) 2021-06-09
CN107578104A (zh) 2018-01-12
KR102361343B1 (ko) 2022-02-14
KR20200074087A (ko) 2020-06-24
EP3678065A1 (en) 2020-07-08

Similar Documents

Publication Publication Date Title
CN107578104B (zh) 一种中药生产过程知识系统
CN110929918B (zh) 一种基于CNN和LightGBM的10kV馈线故障预测方法
CN111950585A (zh) 一种基于XGBoost的地下综合管廊安全状况评估方法
CN112756759B (zh) 点焊机器人工作站故障判定方法
CN106022477A (zh) 智能分析决策系统及方法
CN108038300A (zh) 基于改进的隶属度函数结合神经网络的光纤状态评估方法
CN108982377A (zh) 玉米生育期光谱图像与叶绿素含量相关性及时期划分方法
CN116108758B (zh) 滑坡易发性评价方法
CN106952159A (zh) 一种不动产抵押品风险控制方法、系统及存储介质
Vathsala et al. Prediction model for peninsular Indian summer monsoon rainfall using data mining and statistical approaches
CN103839183A (zh) 智能授信方法及智能授信装置
CN108090628A (zh) 一种基于pso-lssvm算法的粮情安全检测分析方法
CN112819107A (zh) 基于人工智能的燃气调压设备故障预测方法
Diniz et al. Forecasting frost risk in forest plantations by the combination of spatial data and machine learning algorithms
CN116091206B (zh) 信用评价方法、装置、电子设备及存储介质
CN109344518A (zh) 一种基站热管理系统的故障诊断方法
CN114764682B (zh) 一种基于多机器学习算法融合的大米安全风险评估方法
CN112818525A (zh) 一种水电机组状态评价方法及其系统
CN114155025A (zh) 基于随机森林的电动汽车充电站充电流失用户预测方法
Golub et al. Production of Biotechnological Objects using Business Intelligence
CN115598459A (zh) 一种配电网10kV馈线故障停电预测方法
Ma et al. Study on Predicting University Student Performance Based on Course Correlation
Das et al. Forest variability index: a vector quantifying forest stand diversity and forest compactness
CN118211061B (zh) 多指标融合和业务感知的采集系统运行监测方法及系统
Pita et al. On the application of unsupervised clustering to sound pressure data from an acoustic sensors network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant